Для большей точности и функционального ссылкой выбора на низком - через средние размерные наборы данных, соответствуйте обобщенной линейной модели с помощью fitglm.
В течение уменьшаемого времени вычисления на высоко-размерных наборах данных обучите двоичный файл, линейную модель классификации, такую как модель логистической регрессии, с помощью fitclinear. Можно также эффективно обучить модель выходных кодов с коррекцией ошибок (ECOC) мультикласса, состоявшую из моделей логистической регрессии с помощью fitcecoc.
Для нелинейной классификации с большими данными обучите двоичный файл, Гауссову модель классификации ядер с логистической регрессией с помощью fitckernel.
GeneralizedLinearModel | Обобщенный класс модели линейной регрессии |
CompactGeneralizedLinearModel | Компактный обобщенный класс модели линейной регрессии |
ClassificationLinear | Линейная модель для бинарной классификации высоко-размерных данных |
ClassificationECOC | Модель Multiclass для машин вектора поддержки (SVMs) и других классификаторов |
ClassificationKernel | Гауссова модель классификации ядер использование случайного расширения функции |
ClassificationPartitionedLinear | Перекрестная подтвержденная линейная модель для бинарной классификации высоко-размерных данных |
ClassificationPartitionedLinearECOC | Перекрестная подтвержденная линейная выходная модель кода с коррекцией ошибок для классификации мультиклассов высоко-размерных данных |
fitglm | Создайте обобщенную модель линейной регрессии |
stepwiseglm | Создайте обобщенную модель линейной регрессии пошаговой регрессией |
compact | Компактная обобщенная модель линейной регрессии |
disp | Отобразите обобщенную модель линейной регрессии |
feval | Оцените обобщенный прогноз модели линейной регрессии |
predict | Предскажите ответ обобщенной модели линейной регрессии |
random | Моделируйте ответы для обобщенной модели линейной регрессии |
fitclinear | Соответствуйте линейной модели классификации к высоко-размерным данным |
templateLinear | Линейный шаблон ученика классификации |
fitcecoc | Подходящие модели мультикласса для машин вектора поддержки или других классификаторов |
predict | Предскажите метки для линейных моделей классификации |
fitckernel | Соответствуйте Гауссовой модели классификации ядер использование случайного расширения функции |
predict | Предскажите метки для Гауссовой модели классификации ядер |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
Обобщенный линейный образцовый рабочий процесс
Соответствуйте обобщенной линейной модели и анализируйте результаты.
Обучите классификаторы логистической регрессии Используя приложение Classification Learner
Создайте и сравните классификаторы логистической регрессии и экспортируйте обученные модели, чтобы сделать прогнозы для новых данных.
Подбор кривой данным с обобщенными линейными моделями
Этот пример показывает, как соответствовать и оценить обобщенные линейные модели с помощью glmfit и glmval.
Байесов анализ для модели логистической регрессии
Этот пример показывает, как сделать Байесовы выводы для модели логистической регрессии использованием slicesample.
Обобщенные линейные модели используют линейные методы описать потенциально нелинейное отношение между условиями предиктора и переменной отклика.
Модели многочлена для номинальных ответов
Номинальная переменная отклика имеет ограниченный набор возможных значений без естественного порядка между ними. Номинальная модель ответа объясняет и предсказывает вероятность, что наблюдение находится в каждой категории категориальной переменной отклика.
Модели многочлена для порядковых ответов
Порядковая переменная отклика имеет ограниченный набор возможных значений, которые попадают в естественный порядок. Порядковая модель ответа описывает отношение между интегральными вероятностями категорий и переменных прогноза.
Иерархические модели многочлена
Иерархическая переменная отклика многочлена (также известный как последовательный или вложенный ответ многочлена) имеет ограниченный набор возможных значений, которые попадают в иерархические категории. Иерархические модели регрессии многочлена являются расширениями бинарных моделей регрессии на основе условных бинарных наблюдений.
Обозначение Уилкинсона обеспечивает способ описать регрессию и повторенные модели мер, не задавая содействующие значения.